基于多隐层小波卷积极限学习神经网络的滚动轴承故障识别.pdf

本文主要探讨了一种新的滚动轴承故障识别方法，即基于多隐层小波卷积极限学习神经网络（MHLWCELNN）。这种方法旨在解决在恶劣环境下，如煤矿旋转机械中的滚动轴承故障识别问题，由于实际振动信号的非线性和非平稳性，传统的人工特征提取加模式识别方法存在局限性。 MHLWCELNN融合了多种先进技术，它利用了一维卷积神经网络（1D CNN）的局部连接和权值共享特性，这有助于减少模型需要学习的参数数量，降低过拟合风险，同时能够捕捉信号中的局部特征。自动编码器（Auto-Encoder）的应用使得算法可以处理无标签样本，无需人为标注，提高了故障识别的自动化程度。再者，极限学习机（Extreme Learning Machine, ELM）用于确定输出权重，避免了梯度下降过程中可能陷入的局部最优，显著提高了训练速度。小波函数作为激活函数引入，增强了模型对时域和频域信号的分辨率，对于复杂非平稳信号的分析和故障特征提取具有显著优势。 实验结果显示，MHLWCELNN在识别滚动轴承故障方面的准确率和稳定性都优于同类方法，其F1值的提升证明了它在处理不平衡数据集时的有效性。特别是在选择高斯小波作为激活函数的情况下，模型在时域和频域上都表现出较高的分辨率，适合于轴承故障的检测。此外，研究还发现，将训练集样本占比设置为80%可以取得较好的识别效果。 MHLWCELNN是一种高效、准确的滚动轴承故障识别技术，它结合了深度学习的多种组件，克服了传统方法的局限性，尤其在应对非线性、非平稳信号时展现出强大的性能。这种方法对于提高工矿自动化领域设备的维护效率和预防性维修具有重要意义，有望在实际应用中得到广泛推广。